北京市降雨量与参考作物腾发量多时间尺度的集对分析

为了揭示北京市降雨量和参考作物腾发量之间的不确定性关系,以期为二者的变化规律分析、预报和预测提供支撑,利用1961—2009年的长时间序列资料,应用小波分析方法对北京市的降雨量和参考作物腾发量的波动周期和局部特征进行分析,应用集对分析方法分析不同时间尺度下的降雨量和参考作物腾发量之间的同一性、差异性和对立性。结果表明,北京市降雨量和参考作物腾发量之间存在不同时间尺度的周期波动,且差异性在短、中、长周期尺度水平上占据主要位置,而在中长周期尺度水平上对立性占据主要位置,这为分析降雨量和参考作物腾发量在多时间尺度上的变化规律和二者在多层次上的关系提供支持。     

参考作物腾发量多时间尺度分析的小波变换

采用Penman-Monteith方法对国内4个不同气候带气象站点的长系列逐日参考作物腾发量ET0值进行了计算,以昌平站ET0年日均值和月日均值时间序列为例,对比采用不同母小波进行小波变换的结果,确定Morlet小波为ET0多时间尺度分析的最优母小波.以Morlet小波为基础,对4个站点ET0多时间尺度特征进行分析,结果表明:4个站点ET0多年来均存在多个时间尺度上的周期变化,其中以5、10 a最为普遍和显著.小波分析的结果,对于中长期不同时间尺度ET0的预测和灌溉用水预测具有指导意义.     

基于Morlet小波的ET_0序列多时间尺度分析

以某地区1984~2003年逐月的参考作物腾发量(ET0)为基本资料,首先对ET0时间序列进行了Dmey小波消噪和距平处理,然后采用Morlet复小波对其进行多时间尺度分析,显示了ET0在各个时间尺度下的演变特征.结果表明,ET0具有120月、55月、40月和16月左右的主要周期变化,这4种主要周期变化主导了ET0在整个时域上的波动变化特性;并且自2003年后期以来,ET0变化的大趋势是从低于平均水平逐渐增大并会持续若干月.     

参考作物腾发量预报的傅立叶级数模型

以傅立叶级数和表示多年日平均参考作物腾发量在年内的变化过程,结合天气类型修正系数,提出了一种新的参考作物腾发量预报模型,即傅立叶级数模型.将模型应用于陡山灌区的参考作物腾发量实时预报;结果表明,该模型的预测精度比原有的指数模型(亦称逐日均值修正模型)的预测精度高.这种模型简单,可方便地嵌入灌溉预报系统,适应性强.     

应用彭曼公式计算作物需水量

对作物需水量、参照作物腾发量、作物系数、彭曼公式等概念进行了说明.简介了彭曼公式计算参照作物腾发量的方法.     

区域蒸散发分析及模型研究——以河套灌区义长灌域永联试验区为例

以河套灌区义长灌域永联试验区为例,对水均衡法中采用不同时间和空间尺度时的蒸散发估算结果进行了比较分析.然后借鉴由参考作物腾发量(ET0)计算实际蒸散发量的思路,以区域平均埋深和累积生长度日(GDD)为变量,建立综合因子,再结合参考作物腾发量估算出区域蒸散发.利用永联试验区的数据对模型进行检验,结果可靠.该模型需要数据较少,易应用,为实时估算农田区域蒸散发量提供了一种方法.     

基于离散小波变换的水稻生育期降水量多时间尺度特征分析

为深入分析水稻生育期降水多层次变化特征,运用小波分析理论,采用morlet小波函数对降水量序列进行离散小波变换,分析其多时间尺度特性,揭示降水量在不同时间尺度下的小波变换时频特征、丰枯交替变化的周期规律以及未来的发展趋势,为制定科学合理的灌溉制度提供一定的参考。研究结果表明,不同的时间尺度分辨率下,水稻生育期降水量序列会表现出不同的周期交替现象,主要存在5a、13a和32a的周期。     

气候变化下参考作物腾发量演变特征及主控因子研究

为对气候变化下不同时间尺度参考作物腾发量(ET_0)的变化规律及其主控因子进行研究,为北京地区制定作物灌溉制度提供参考。基于1970—2019年北京市的逐日气象资料,对不同时间尺度上ET_0进行趋势分析,并采用相关分析与因子分析相结合的方法确定ET_0主控因子。研究表明:(1)日尺度下,ET_0年内变化呈双峰型曲线变化,第一峰值为5.32 mm/d,第二峰值为3.93 mm/d,年内均值为2.78 mm/d;月尺度下,ET_0呈单峰变化趋势,1月份最低,5月份最高,分别为31.3、148.2 mm; ET_0的年际变化范围为901.33～1 095.47 mm,年际变化倾向率为6.32 mm/(10年)。(2)各气象因子与ET_0的相关性随年内月份的不同而表现出差异性,仅采用相关分析法难以真实厘清各个气象因子对ET_0的影响作用;采用因子分析后可知,影响北京地区夏季和春季ET_0的主控因子分别是温度辐射因子和湿度日照风速因子;结合相关性分析表明,北京地区ET_0增加趋势主要是气候升温导致的。本研究对气候变化下北京地区未来农业用水管理具有实际指导意义。     

基于小波分析的三峡水库调度水位变化特性

根据三峡库区2007-2011年期间的日水位资料,首先对库区水位序列进行小波消噪,然后采用Morlet小波函数对水位消噪时间序列进行了多时间尺度小波分析,揭示三峡水库水位调度变化的多时间尺度的结构特性,并分析不同尺度下的水位调度周期性变化规律.结果表明:各年日水位调度变化出现阶段性的变化特点,主要集中在6-12月,且其波幅明显高于其他月份;不同年份水位调度存在不同时间尺度的变化周期,2007-2011年周期性分析结果显示,2007年的变化周期为57d和17d;2008年的变化周期为56d和9d;2009年的变化周期为64d和36d;2010年的变化周期为64d和25d;2011年的变化周期为64d.     

小波分析在地下水位序列多时间尺度分析中的应用

以河套灌区地下水位序列为例子,首先对地下水位序列进行了小波消噪,然后采用Mexican Hat小波函数对消噪序列进行了小波变换,并基于此分析了地下水位序列的多时间尺度演变特征.结果表明:不同的时间尺度分辨率下,地下水位序列会表现出不同的周期交替现象,时间尺度在时间域中分布很不均匀,具有明显的局部化特征;小波分析可以清晰地给出各种周期的强弱和分布情况以及突变点,为分析地下水位时间序列的动态变化特征提供了一种新方法.     

人工神经网络和灰色预测客运量方法的比较

根据灰色理论、数据序列作累加运算后得到的新数据序列的规律性好于前者,数据曲线变得比以前光滑。因此将以往客流量数据先作累加,然后根据新生成的数据序列,利用人工神经网络方法对未来的客运量进行预测。算例表明,将人工神经网络与灰色模型的运算结果进行比较,可知尽管人工神经网络所需训练数据比灰色模型多,但是其对数据的适应能力和精确性强于灰色模型。最后通过比较几种神经网络模型和传递函数,可知使用BP神经网络和双曲型正切函数,可以较好地用于客运量的短期预测。     

基于小波变换的系统边际电价分析与预测

摘要：基于小波变换的系统边际电价(System Marginal Price,SMP)数据分析,根据系统边际电价的特点,建立用于系统边际电价预测的模型。利用小波变换时频局部化功能,将原电价时间序列分解成不同的尺度,对不同尺度上的子序列分别采用人工神经网络和AR模型进行预测,最后将不同尺度预测结果通过小波重构还原,得到系统边际电价预测结果。实例验证表明预测模型能有效提高预测精度,可用于系统边际电价预测。     

一种新的间断型备件需求预测方法

针对间断型需求因需求发生随机、需求量值波动大而导致预测困难这一问题,提出一种新的备件需求预测方法.该方法能分别预测需求发生时间和非零需求发生时的需求量值.对于0-1需求发生时间序列,采用调制方法对其进行平滑处理,运用神经网络对调制后的0-1时间序列进行预测,获得需求发生时间的预测值.采用时间聚合方法对实际备件需求时间序列进行预测,将滚动预测应用到解聚合过程中,得到备件的需求量预测值.使用三一重工砼活塞和核电设备的备件需求数据对方法进行验证,结果表明,该方法的预测精度要优于Croston方法、指数平滑法以及BP神经网络,证明了所提方法的有效性和准确性.     

基于小波神经网络的时间序列预报方法及应用

传统的时间序列预测模型在处理具有非线性特性或非平稳时间序列问题,特别是对有人参与的主动系统、社会经济系统的预测上,无法取得满意的预测效果.寻求处理这类系统的方法是人们一直努力的方向.这里以小波理论为基础,重点研究了小波网络在非线性时间序列中的建模预测方法,利用深圳综合指数数据,建立了股票指数预测模型.该模型克服了传统的时间序列预测模型仅局限于线性系统的情况,避免了BP神经网络模型固有的缺陷.仿真结果表明,该方法比神经网络预测方法的预测精度高,可以很好地应用于某些非线性时间序列的预测中.     

基于ARMA-BP神经网络模型的风电功率预测研究

结合ARMA时间序列预测模型和BP神经网络预测模型的优点,构建ARMA-BP神经网络混合模型,对风电功率预测问题进行研究。采用构造性神经网络模型得出的类别值对统计时间序列模型的预测值进行修正,提高了风电预测的精度和效率。     

BP神经网络在柳江径流预测中的应用

径流水位预测是进行洪水监测的重要手段,对于包含详尽信息的广西柳江日径流水位时间序列,采用基于BP神经网络模型进行预报可取得较好效果.如LMBPDH模型采用双隐含层BP网络能加强预测模型输入输出的非线性映射能力,采用Levenberg Marquardt （LM）算法对网络进行训练则能缩短BP网络的收敛时间,改善网络的收敛性能,同时采用实验法确定模型的其他参数使模型获取最佳预报性能.在对柳江近10年日平均水位的预测中,将LMBPDH模型与单隐含层BP神经网络、LM算法以及带适应学习率和动量因子的梯度递减法算法等组合构成的BP神经网络模型,以及遗传算法进化的神经网络模型比较,LMBPDH模型预报稳定性、预报准确率最佳.     

基于神经网络的过程系统动态建模

针对生产过程中参数容易受外界影响而改变,传统的系统辨识方法难以得到精确的数学模型的实际情况,提出利用神经网络的自学习、自适应功能实现动态在线建模。本文对这种方法进行了仿真研究。由计算机产生仿真输入信号：随机信号或Ｍ序列伪随机信号,输入到生产过程中普遍存在的一阶纯滞后对象。通过三层ＢＰ神经元权值的不断调整,实现离线辨识和在线辨识,直到神经网络的阶跃响应曲线几乎和实际系统的阶跃响应重叠。仿真结果表明,     

基于混沌RBF网络的地下厂房围岩变形预报

引入混沌时间序列理论有效解决非线性混沌时间序列的预报问题.表征混沌特性的分维数D和最大Lya-punov指数1λ计算结果表明变形时间序列具有混沌特性;神经网络克服了模型必须是基本观测数据的线性和非线性组合的局限,具有很强的自适应性和记忆功能.结合混沌特性将一维时间序列重构为多维相空间,优化RBF神经网络结构,建立混沌时间序列神经网络预报模型.实例表明,预测值与实测值的相对误差小于6%;后期预报的变形随时间增长呈下降趋势,符合工程实际情况.     

基于多变量LSTM神经网络的澳大利亚大火预测研究

长短周期记忆神经网络(LSTM)受益于能够捕获长期依赖关系的特点,在许多实际应用中展现了优异的性能.该文构建了LSTM多变量数据驱动的预测模型,通过多变量输入的方式预测澳大利亚森林大火.首先使用多变量LSTM预测模型对日最高温度进行预测,并与反向传播(BP)神经网络以及ARIMA预测模型的结果进行对比.研究表明:以相关...     

基于牛顿插值和神经网络的时间序列预测研究

在时间序列法基础上应用插值理论和神经网络建立一种新的预测模型。首先采用插值法拟合历史 销售数据并求出大量的数据训练神经网络, 弥补了历史数据缺乏的问题;然后用训练好的神经网络代替传统的最小 二乘法拟合时间序列因素, 从而求出预测值。仿真结果表明, 此模型能够有效地改善模型的拟合能力并提高预测精 度。